基于深度学习的细胞核分割
这是一篇关于深度学习,医学图像,计算机视觉,语义分割,注意力机制的论文, 主要内容为细胞和组织病理学图像,是很多生物医学研究应用的基础,因此是一个重要的研究领域。而其中,细胞核分割又是最基本和必要的步骤。尽管多年来已经提出很多相关的方法,但仍有一些问题等待新的方法解决。如,邻近及重叠细胞核的分割效果,依然差强人意。语义分割是CV领域中一个关键的问题,在很多方面有着重要的应用,而本文研究的医学图像细胞核分割正是此类问题。随着革命性的深度学习的出现,CV领域很多问题利用深度学习方法都得到了远超过传统技术的效果。语义分割亦是如此。在此背景下,本文对基于深度神经网络的医学图像细胞核分割的算法进行研究。利用图像处理、深度学习、计算机视觉等相关知识,对医学图像细胞核进行分割,并优化分割效果,提高准确率。本文研究的主要内容概述如下:1.研究实验数据集的选用及增强预处理。本文使用了两个数据集,数据集A来源于TNBC数据集,是由11个患者提供的55张苏木精和伊红(H&E)染色的组织病理学图像构成,由Peter Naylor等人提出。数据集B来源于B站学习区的一个U-Net++医学图像细胞核分割实战项目,为Kaggle 2018 Data Science Bowl中给出的公开数据集,参考地址,由于数据成像质量一般,本文进行了相关图像的增强。由于医学图像任务数据数量非常少,为避免过度拟合,对数据集A进行随机剪裁得到256*256的图像,以增大数据量,并进行水平和垂直翻转,以增强网络的鲁棒性。2.本文首先对医学图像细胞核分割任务,使用FCN8s、DeepLabv3+和U-net类(如U-Net、U-Net++,以及引入注意力机制的Attention U-net)等经典图像语义分割网络进行实验。观察实验结果,通过对Attention U-net不如U-net这一实验结果的思考学习,本文使用U-Net为基础网络,引入空间和通道联合的注意力机制模块,来提高分割效果。而注意力模块架构的选择较为困难,需基于先验知识和一些实验,而不同数据集又适用不同的模块等诸多问题。本文引入神经架构搜索(NAS),它可以自动学习网络的最优架构,来解决这些问题。3.通过对经典语义分割网络的结果的观察研究,发现对于临近、堆叠的细胞核的分割效果不佳,存在粘连情况。鉴于GAN神经网络对图像细节特征强大的学习能力,本文设计了一种基于对抗训练思想的U-net的医学图像细胞核分割网络,并设计了合理的对抗训练损失函数进行对抗训练实验,得到相较于U-net更好的实验效果。
基于对称U形网络的医学图像分割算法研究与实现
这是一篇关于医学图像,深度学习,卷积神经网络,跳跃连接,注意力机制,Transformer的论文, 主要内容为医学图像的精准分割是医生进行疾病诊断和治疗的关键,但传统分割方法在自动化程度以及精度等方面尚有欠缺。随着深度学习技术的发展,特别是U-Net网络的提出,使得医学图像分割领域取得了巨大的进步。U-Net等U形网络主要由跳跃连接和编解码器两个部分组成,这两个部分的优劣会对最终的分割精度产生直接的影响,因此本文分别从跳跃连接和编解码器这两个部分入手设计新型智能网络结构,提升医学图像的分割精度,具体研究内容如下:(1)针对跳跃连接忽视特征图差异性导致的信息传递受损的问题,提出了金字塔卷积注意力融合网络(Pyramid Convolution Attention Fusion Network,PCAF-Net),在跳跃连接中引入金字塔卷积注意力融合机制,加强跳跃连接中特征图的语义表达能力,提升网络分割精度。(2)针对编解码器对特征信息提取不足的问题,提出了信息增强Transformer-Unet(Information Enhancement Transformer-Unet,IET-Unet),在该网络中对自注意力机制进行改进,在有效降低模型计算量的同时对医学图像的全局特征进行提取,提升模型对特征信息的提取能力,为Transformer结构在医学图像分割任务中的研究与应用提供了相应的研究基础和重要的参考价值。(3)本文基于第二章和第三章所提出的算法模型,设计并实现了智能辅助诊断平台。整个平台主要分为数据管理和存储、数据处理和分析以及用户界面三部分。为用户提供了数据加载,图像自动分割、诊断结果保存等功能,从而为医生和患者提供便捷、准确和快速的图像诊断结果,提高医生的工作效率。
基于YOLOv5的医学图像病变区域检测研究与应用
这是一篇关于深度学习,计算机辅助诊断,医学图像,病变区域检测的论文, 主要内容为计算机视觉的快速发展使目标检测成为备受关注的任务之一。在医学领域,自动病灶检测可以大幅提高医生的诊断效率。病灶检测的精准性在计算机辅助诊断中起着至关重要的作用,病变检测结果直接影响后续的疾病诊断和治疗。越来越多的学者开始关注运用深度学习技术的病灶区域检测方法。为了使病变检测更加精准,开展了基于YOLOV5的病变区域检测方法研究,主要研究内容如下:(1)针对医学图像存在背景复杂及病变检测时特征提取不充分的问题,提出了一种基于Transfomer和CNN双重架构的病变区域检测方法。结合卷积神经网络和Transformer的编码特征,在本文中设计了全新的多层次特征融合模块。通过在CNN分支不断的下采样,逐渐增加感受野,并对特征进行从局部到整体的编码。在Transformer分支,通过实现全局的自我关注机制,逐步恢复图像的局部细节信息。采用多层次特征融合模块对每个分支提取的相同分辨率特征进行融合,以实现更好的特征提取效果且有效避免了建立非常深的网络来保留低层次背景信息的缺陷。并且通过增加网络的预测层和在具有较高分辨率的特征图上增加更多锚框来提高小目标的捕获能力。实验表明本文方法与当前主流网络相比,在检测精度和速度上都保持先进的水平。(2)在第一个研究内容的基础上发现每个预测输出前特征图间的独立性较强,特征交互不够充分,模型不能灵活地适配多种特征尺度下基于对应预设锚框大小的预测问题,提出了一种基于对偶注意力和特征增强的病变区域检测方法。本方法将多尺度特征与残差网络相对应的特征融合,能够自适应地融合局部特征及其全局依赖关系,这不仅可以使得特征具有多样性,还可以提高深度网络中的信息量。该方法的有效性通过实验得以证明,与同领域其他竞争方法对比,在AP@50指标下可以达到73.2%。(3)基于前面的研究内容设计并开发了病变区域检测系统。系统包括三大模块,即登陆模块、检测模块和管理模块。该系统利用VUE框架搭建前端视图,运用Spring Boot框架构建后端服务器,通过URL地址达到访问的目的。本系统旨在协助医生准确和快捷地诊断患者,并帮助推动基于YOLOv5的医学图像病变区域检测技术的研究和应用。
基于图像语义分割的脑疾病分析与微服务研究
这是一篇关于医学图像,多源脑部成像图像语义分割,神经网络,Docker,微服务的论文, 主要内容为脑肿瘤、缺血性脑卒中和脑出血是目前神经系统常见的三种严重疾病,对人类的生命健康及生活品质会构成严重威胁。随着医学成像技术的蓬勃发展,医学影像分析(Medical image analysis)已逐渐成为辅助医生临床疾病诊断和研究的重要手段,其中电子计算机断层扫描图像(Computed Tomography,CT)由于其具有成像快,价格低以及对血红蛋白敏感性度高等优点而在诊断脑出血时应用广泛,而核磁共振成像(Magnetic resonance imaging,MRI)技术,其无创性和出色的大脑结构分辨力使它普遍适用于诊断缺血性脑卒中与脑肿瘤。这三种脑部疾病的病灶分割有助于医生对患者做出早期诊断,进行对症支持治疗以及相关的预后评估。但是手动分割费时费力,且人工分析模式精准度也较为有限。因此,开发精确的脑部病灶计算机辅助诊断(Computer aided diagnosis)技术具有重要的意义。伴随着当前深度学习技术的高速发展,得益于卷积神经网络(Convolutional Neural Networks,CNN)在医疗图像分割领域的重要贡献,基于深度学习的计算机辅助诊断技术已取得巨大的进步。但目前相当一部分研究仍集中在采用单一模型解决单一病症的诊断,缺乏通用的模型解决方案,使得在诊断多种疾病的情况下需要轮流使用多种模型,这样更加大了医院对于计算机资源的消耗,并且采用多模型诊断病情的同时会带有矛盾诊断问题,易混淆病症,进一步则容易造成误诊情况。因此针对上述存在的疾病误诊与资源消耗较高等问题,本文创新性的结合脑CT分析与MRI多模态病理分析以及当前计算机视觉研究中前沿的图像语义分割算法。在后续研究工作中,提出一种基于se Res Ne Xt50-UNet++的多源脑部成像图像语义分割模型,模型采用了当前先进的激活函数、损失函数优化方法以及优化的骨干网络,在此基础上结合多来源的医疗数据集,实现单模型对于脑肿瘤、缺血性脑卒中和脑出血三种不同病理轮廓地分割推理,使得单一模型分析多种疾病成为现实,同时相较一般模型效果也有所提升。此外,本文在提出模型的基础上采用Docker容器化技术开发弹性节点,实现了基于微服务的脑部医学影像分析系统,系统最高负载为10QPS。
基于对称U形网络的医学图像分割算法研究与实现
这是一篇关于医学图像,深度学习,卷积神经网络,跳跃连接,注意力机制,Transformer的论文, 主要内容为医学图像的精准分割是医生进行疾病诊断和治疗的关键,但传统分割方法在自动化程度以及精度等方面尚有欠缺。随着深度学习技术的发展,特别是U-Net网络的提出,使得医学图像分割领域取得了巨大的进步。U-Net等U形网络主要由跳跃连接和编解码器两个部分组成,这两个部分的优劣会对最终的分割精度产生直接的影响,因此本文分别从跳跃连接和编解码器这两个部分入手设计新型智能网络结构,提升医学图像的分割精度,具体研究内容如下:(1)针对跳跃连接忽视特征图差异性导致的信息传递受损的问题,提出了金字塔卷积注意力融合网络(Pyramid Convolution Attention Fusion Network,PCAF-Net),在跳跃连接中引入金字塔卷积注意力融合机制,加强跳跃连接中特征图的语义表达能力,提升网络分割精度。(2)针对编解码器对特征信息提取不足的问题,提出了信息增强Transformer-Unet(Information Enhancement Transformer-Unet,IET-Unet),在该网络中对自注意力机制进行改进,在有效降低模型计算量的同时对医学图像的全局特征进行提取,提升模型对特征信息的提取能力,为Transformer结构在医学图像分割任务中的研究与应用提供了相应的研究基础和重要的参考价值。(3)本文基于第二章和第三章所提出的算法模型,设计并实现了智能辅助诊断平台。整个平台主要分为数据管理和存储、数据处理和分析以及用户界面三部分。为用户提供了数据加载,图像自动分割、诊断结果保存等功能,从而为医生和患者提供便捷、准确和快速的图像诊断结果,提高医生的工作效率。
基于改进卷积神经网络的乳腺图像分类识别
这是一篇关于医学图像,图像分类,注意力机制,深度可分离卷积,乳腺钼靶X线图像的论文, 主要内容为乳腺癌在全球女性中发病率居首位,对女性生命健康构成严重威胁。常用于筛查的钼靶X线摄片被认为是诊断乳腺癌最有效的手段。目前,基于钼靶X线摄片的计算机辅助乳腺肿块系统能够帮助医生提高阅片效率,但是如何提高辅助诊断系统的准确率,降低假阳性率仍然是一个具有挑战性的问题。就图像分类而言,卷积神经网络与其他分类算法相比,具有非常明显的优越性。针对计算机辅助诊断系统对乳腺病变的诊断费时费力、准确率低等问题,本研究通过改进现有卷积神经网络、融合多种模型特征、引入注意力机制等为出发点,实现对乳腺X线图像进行分类。本文所做的贡献有:(1)提出了一种改进VGG16网络乳腺疾病图像分类方法。针对乳腺X线图像中乳腺病变区域占比非常小的特点,本文通过精简VGG16网络模型中卷积层的数量和卷积核的个数、将第四个普通卷积层替换成为深度可分离卷积层、在第五个卷积层后边引入ECANet注意力机制等方法进行改进。实验结果表明,该方法在乳腺MIAS(Mammographic Image Analysis Society)数据集和DDSM(The Digital Database for Screening Mammography)数据集上分别取得了99.8%和98.05%的准确率,明显优于最近研究的一些方法。(2)提出了一种GoogLeNet-BC网络模型的乳腺疾病图像分类方法。为进一步利用GoogLeNet模型在乳腺X线图像的分类预测时收敛速度高的优势,本文通过把Inception V1模块中第三个分组的5×5卷积替换成1×1卷积,建立Inception-S模块,精简Inception-S数量,引入ECANet注意力机制,删除辅助分类器分支等方进行改进。该模型虽然在MIAS的预测上出现了过拟合现象,但是在样本量充足的情况下,确实可以在不降低Goog Le Net模型收敛速度的同时显著提高预测效率。(3)提出了一种基于特征融合的乳腺疾病分类方法。将上述改进VGG16和改进的GoogLeNet-BC网络提取的特征进行融合,然后引入ECANet注意力机制、用全局平均池化层来代替展平层和平均池化层,之后再进行分类操作。该方法在乳腺MIAS数据集和DDSM数据集上的分类效果进一步提升。综上所述,本文提出的改进卷积神经网络模型确实相对精简,能够在预测精度和预测效率中达到一定的平衡,对乳腺X线图像分类有一定的积极意义。
U型神经网络激活函数研究及在医学影像中的应用
这是一篇关于U-net,医学图像,深度神经网络,激活函数的论文, 主要内容为近年来,随着人工智能理论与技术的迅猛发展,以深度神经网络为代表的深度学习方法受到了极大的关注,取得了长足的进步。其中的代表之一,在医学图像智能识别和辅助诊断领域,由全卷积网络发展而来的U-net网络发挥了重要作用,成为医学图像识别与分割的最基础和重要的工具之一。目前,医学图像领域所使用的深度神经网络,包括U-net在内,采用的激活函数基本都默认是Re LU。而激活函数作为神经网络中重要的组成部分,其在处理和传递图像特征之间复杂非线性关系的过程中,起到了至关重要的作用。相比于损失函数及网络架构的研究成果,详细探究和比较激活函数在深度神经网络中的作用及表现的研究还比较缺乏。鉴于此,本文着重讨论U-net网络中各类激活函数的性能与表现。本文的主要工作之一是,针对病理图切片分类实验。首先,比较逻辑斯蒂模型、随机森林模型以及深度神经网络分类模型在医学图像分类的优劣。实验结果表明基于深度神经网络分类模型,五种评价指标提升范围在13.6%-31.8%之间。其次,针对医学图像分类模型,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh六种单一形式激活函数及三种组合形式激活函数。实验结果表明三种组合激活函数比单一激活函数表现性能要优,在单一激活函数中Mish、Ge LU也比Re LU效果好。本文的主要工作之二是,基于四个医学图像数据集进行实验,研究如下问题:一,激活函数对眼底血管数据集的分割所起的作用和影响是什么?二,饱和与非饱和激活函数的各类评价指标在不同数据集上的表现与差异情况如何?三,基于胸部X光图像数据集、直肠CT图像数据集及脑胶质瘤图像数据集,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh、Softplus七种单一形式激活函数及三种组合形式激活函数。实验结果表明:不用激活函数几乎分割不出图像的纹路;非饱和激活函数优于饱和激活函数;三种组合激活函数相对于单一激活函数取得较好的结果,在单一激活函数中Mish、Ge LU也比Re LU效果好,Tanh、Softplus激活函数效果最差。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://bishedaima.com/lunwen/47837.html
